基于贪婪随机自适应搜索法的TTE通信调度算法

时间触发以太网(TTE)采用全局时间触发机制,使通信任务传输具有严格的时间确定性和无冲突性,适用于航空电子等混合关键应用领域。TTE网络提供3种不同的流量类型:具有低抖动和有界端到端延迟的时间触发(TT)流量,有限制端到端延迟的速率约束(RC)流量和无实时性保证"尽力传"(BE)流量。针对可满足性模理论(SMT)等调度算法在生成TT流量离线时刻调度表的过程中,未综合考虑TT流量路由和时刻调度表对RC流量延迟产生影响的问题,为了优化TTE网络实时性能,提出了一种基于贪婪随机自适应搜索算法的TTE通信任务调度算法。在TT流量离线调度表的生成过程中考虑了RC流量的最坏端到端延迟(WCD),在保证TT流量满足可调度性的前提下,通过路由规划和调度时刻表规划降低了RC流量的WCD。对比实验结果表明:所提算法可以有效的提升整网的实时性能,通过A380拓扑组网案例的对比分析,RC流量的平均延迟减少了14.34%。网络中流量规模越大,所提算法的收益越大。

多策略融合的随机自适应引力搜索算法

针对标准引力搜索算法存在的收敛速度过快、探索能力较弱以及容易陷入局部最小区域等问题,提出了一种改进的随机自适应引力搜索算法(RSGSA)。首先,引入随机策略以改进引力常数,从而提高算法在迭代初期的全局探索能力,避免过早收敛。其次,利用混沌序列提升总作用力的随机性和遍历性,增强算法的突变能力。最后,在粒子速度更新中引入自适应权重,并在粒子位置更新中引入随机变量,以平衡算法的全局探索能力和局部挖掘能力。通过对多个基准函数进行仿真测试,并与其他智能优化算法进行对比,实验结果表明,随机自适应引力搜索算法在解决复杂基准函数时的寻优精度较引力搜索算法提高了约10个数量级。

独立任务分配的贪婪随机自适应搜索过程

提出了一种贪婪随机自适应搜索过程求解异构环境下的独立任务分配问题。使用随机化的最小最小完成时间算法来产生问题的初始解,再通过变邻域下降算法来改进这个解,在变邻域下降算法中,为增强算法的空间勘探能力,外层局部搜索采用允许接收劣质解的策略,使用禁忌表来防止迂回搜索,使算法在多样性和集中性间取得了较好的平衡。与领域中的典型算法进行了仿真比较,结果表明提出的算法具有良好的性能。

贪婪随机自适应搜索法在电网规划中的应用

基于贪婪随机自适应搜索法(GRASP)能有效地解决电网规划的组合优化问题,其每一次迭代包含构造和局域搜索两阶段.在构造阶段,以改进线路综合有效性指标为贪婪函数,采用比例法形成限制候选列表,并随机选择元素构成可行方案.根据线路的实际效用比剔除可行方案中的冗余线路,为局域搜索提供一个简练经济的初始网络,并采用1-1交换产生邻居集来拓展搜索空间寻找局优解.所有迭代中的最好方案作为电网规划问题的最优解.对于网络规模增大所引起的“维数灾”,提出5种邻居删减技术来提高算法的解算速度.算例分析证明了该方法的可行性、有效性.

适合于机组组合问题的贪婪随机自适应搜索模型

提出了一种求解机组组合问题的方法——贪婪随机自适应搜索过程(greedy randomized adaptive search procedure,GRASP)。该方法迭代过程分为解的构造和局部搜索2阶段。在解的构造阶段,构造贪婪函数,形成带限制的候选列表,然后随机选择列表中的成分形成初始组合,作为局部搜索的起始解。在邻域搜索阶段,提出了一种适合于机组组合问题的变邻域算法,利用此法对邻域搜索得到局部最优解,取迭代过程中的最好局部解作为问题的最优解。算例仿真结果验证了所提方法的优越性。GRASP算法不仅为解决机组组合问题带来了新的思路和方法,同时给求解其它含复杂约束条件的组合优化问题带来了生机。

自适应贪婪搜索的人工蜂群算法

人工蜂群算法是受蜜蜂觅食行为启发提出的一种群体智能优化算法,为了增强人工蜂群算法的开采性能,本文更好地模拟了观察蜂的觅食行为,提出一种自适应贪婪搜索的改进人工蜂群算法,在观察蜂阶段,搜索半径自适应减小,成功搜索某食物源之后可以贪婪地再次搜索该食物源,以充分利用成功的搜索经验,减小搜索盲目性。在10个标准测试函数上的实验表明,改进算法的收敛精度超过ABC和最近提出的q ABC算法,而计算复杂度低于这两种算法。

基于Metropolis准则的自适应随机搜索算法研究

随机搜索算法是一种原理极其简单的优化方法,利用搜索方向与步长的随机特性,算法能够逐渐向全局最优解靠近,最终达到优化的目的。但正是因为其搜索的随机性,导致了算法优化效率特别低,计算领域极其有限。针对以上问题,提出了自适应最优化的搜索策略,利用当前最优解的位置及其演化路径,不断调整算法优化搜索的方向与步长,提高搜索的效率,同时引入模拟退火算法中的Metropolis接受准则,使改进后的算法不仅能够接受优化解而且能够接受恶化解,提高算法的全局搜索能力。采用MATLAB编程软件,通过对两个经典测试函数的模拟及其与传统随机算法的对比分析,优化计算的结果证明了本文所提算法具有高效的优化计算能力,可以进一步应用于工程领域的优化设计。

基于对称映射搜索策略的自适应金鹰算法及应用

金鹰优化算法(Golden Eagle Optimizer,GEO)是一种基于种群的元启发式算法,其模拟了金鹰的合作狩猎行为。针对GEO算法中存在的求解精度差和陷入局部最优等问题,文中提出了一种改进MERGEO(Mapped Elitist Reverse GEO)算法。在原算法基础上采用对称映射搜索策略、自适应精英策略和随机反向学习机制这3种方法平衡了算法的探索和开发阶段,获得了规避局部最优能力和较好的优化精度。在10个基准测试函数上对该算法进行独立策略有效性分析、可扩展性分析以及同其他算法的优化性能比较分析。实验结果表明,改进后的MERGEO算法具有较强的竞争力和良好的优化能力。将改进后的算法用于无线传感器网络的覆盖优化问题和压力容器设计问题研究,验证了其实际应用价值。

一种动态自适应麻雀搜索算法及在车联网驾驶行为识别中的应用

针对麻雀搜索算法(SSA)跟随者接近种群内个体最佳位置时收敛速度过快而导致易陷入局部最优的问题,文中提出一种基于动态自适应的改进型麻雀搜索算法(ASSA)。首先,在搜索寻优过程中,对发现者位置和跟随者位置进行动态更新,为保证算法在迭代后期的收敛速度,警戒者的个数采用线性递减的方式;其次,为防止算法陷入局部最优而导致的迭代中断,通过高斯随机分布形成新的发现者;最后,为验证改进算法的有效性,利用4种典型的函数进行测试,测试结果与SSA进行对比。结果表明:ASSA能够有效解决SSA易陷入局部最优的问题,并在收敛速度等性能上得到了有效提升。在此基础上,将ASSA算法应用到车联网驾驶行为识别中,通过优化BP神经网络,使得网络具有更高的识别准确率和性能。

自适应随机搜索算法在水文模型参数优选中的并行效率研究

水文模型参数的快速率定是山洪以及中小河流洪水预报预警中的重要研究内容之一。参数自动优选功能可以极大地提高水文模型的使用效率,随机搜索算法是大多数参数全局优选算法基础,但却因为耗时较长而应用较少。以Brooks的自适应随机搜索算法(adaptive random search method)为对象、利用.NET的Parallel对象进行了CPU并行改造,利用英伟达的CUDA对象进行了GPU+CPU并行改造,并以缅甸境内其培河子流域上的新安江模型为优选对象,比较了优选效果和计算效率。研究表明:ARS算法和SCE-UA的优选结果相当,并行改造后的ARS算法计算效率有显著提高。研究成果对水文模型应用时参数优选算法的比选具有重要的参考价值。

基于精英思想自适应改进万有引力搜索算法

为了解决万有引力搜索算法容易出现局部最优的问题,提出了一种新型改进万有引力搜索算法。该算法在质量的计算中引入随机因子;结合精英思想,基于适应度值对力进行有选择的合成,并且对更优粒子对应的力赋予更大的随机数;引入控制参数,自适应地更新粒子的位置,减小某些粒子过于随意变化带来的影响。通过以上这些操作,增强了算法的随机性,同时保证了算法的收敛性。经对10个基准函数进行仿真实验,结果表明新算法有更好的收敛速度和寻优精度,全局和局部优化能力增强。

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

贪婪随机自适应灰狼优化算法求解TSP问题

对于求解TSP问题,提出一种贪婪随机自适应灰狼优化算法(GRAGWO)。GRAGWO算法基于贪婪随机自适应搜索算法(G RASP),采用其构造阶段生成初始解,在局部搜索阶段采用灰狼优化算法(GWO)对结果进行优化。GWO算法不能直接用于求解离散问题,易陷入局部最优,导致后期收敛速率较低。根据TSP问题的特性,针对易形成局部最优路径和随着迭代次数增进而导致种群多样性减退这两个缺陷,重新定义灰狼编码方式,与GRASP启发式算法相结合,应用于求解TSP问题。采用TSPLIB中的多组不同规模的TSP问题作为实验用例,并将GRAGWO算法与其他仿生算法进行对比,结果表明在求解准确率、稳定性和解决大型城市问题方面具有相对优势。

贪心随机自适应搜索算法在软件测试中的应用

提出一种求解面向对象软件集成测试中确定类间测试顺序的贪心随机自适应搜索算法。该算法是一个多起点的迭代过程,每一次迭代由产生可行解的构造阶段和寻找局部最优解的局部搜索阶段组成。为了进一步改善它的性能,在构造阶段增加了预处理功能,在局部搜索阶段增加了长期记忆和路径再链接功能。实验结果表明,改进的贪心随机自适应搜索过程产生的解的质量优于现有的其它算法。

基于自适应神经模糊推理系统及随机分形搜索算法的黄酒发酵过程建模与优化

黄酒酿造是多菌种混合发酵,具有产物多样的特点,已有的黄酒发酵过程模型是建立在主要生化反应基础上的发酵动力学模型,模型的精度和泛化能力尚不能满足工业需求。针对黄酒醪液中生成产物多样的特征,该文利用模糊系统的建模策略,将自适应神经模糊推理系统的单维度输出扩展到多维度输出,提出了多输出自适应神经模糊推理系统模型;然后针对该模型参数量大的特点,该文将莱维飞行和层次学习策略融入随机分形搜索算法,提出了层次学习随机分形搜索算法,用于模型参数的辨识与优化。仿真结果表明,该算法提升了模型的精度和泛化能力,实现了不同生产批次黄酒发酵状态的良好预测。

基于贪婪随机自适应过程的多类型卫星联合任务规划技术

对地观测卫星任务规划问题需要考虑侧视、星上能量、数据容量和数据传输等多种约束,是一类复杂的组合优化问题,现有研究大多对问题进行了不同程度的简化。面向多种载荷类型卫星的联合任务规划问题,考虑上述多种约束,基于贪婪随机自适应搜索过程提出了一种新的混合算法对问题进行求解。实验结果表明,该混合算法在多星联合任务规划领域是可行有效的。

随机变异的自适应布谷鸟搜索算法

布谷鸟搜索算法现在还存在收敛精度不高、寻优效果不佳的问题。为解决这类问题,本文在基本布谷鸟搜索算法的基础上引入了惯性权重和变异策略。优化后的布谷鸟搜索算法在搜索精度和寻优效果上都有了大幅度的提升。实验测试结果显示,改进算法比其它算法在函数优化上效果更加明显。

复合随机振动分析的自适应回归算法

基于虚拟激励法(PEM)和广义多项式混沌展开(g PC)提出一种求解复合随机振动问题的自适应回归算法。通过求解随机系统在虚拟激励下的运动方程得到本文所关注的随机物理响应,并将其在以不确定参数为自变量的正交多项式函数空间内展开,应用自适应采样与自适应基函数筛选相结合的回归算法确定多项式基函数系数,进而给出随机响应的概率特征。本文方法是一种非介入算法,不需要改变控制方程的求解维度,便于使用既有的求解程序进行分析。数值算例中,对具有不确定参数的车轨耦合系统在随机轨道不平顺激励下的随机振动响应进行分析,将计算结果与50000样本Monte Carlo法进行了比对验证,相对误差不足1%,表明了本文方法具有很好的工程应用前景。

一种改进自适应参数的和声搜索算法

针对现有和声搜索算法(HS)的提前收敛、收敛速度缓慢、参数选择不佳和容易陷入局部最优等缺点,本文提出一种自适应和声搜索算法参数的改进方法(DCNHS),在算法中加入新的动态方法并且引入带有自适应参数的柯西、正态分布随机数来实现改进算法参数的自适应.通过与目前性能较为突出的几种改进的HS算法、PSO算法、GA算法相比较,本文提出的改进算法(DCNHS)在若干标准优化算法测试函数仿真中,寻优更加精确,收敛更加迅速,并具有较强的跳出局部最优的能力.

基于发现者预选择机制的自适应群搜索算法

为克服群搜索(GSO)算法早熟的缺点,提高算法收敛速度,提出一种基于发现者预选择机制的自适应群搜索(PSAGSO)算法。首先,依据发现者-追随者模型,采用预选择机制,用倒序变异算子产生新发现者,来引导追随者寻优的方向,有效地维持了群体中个体的多样性;其次,提出一种基于线性递减的动态自适应方法来调整游荡者的分布比例,以提高种群中个体的活力,有利于算法跳出局部最优。通过对12个基准函数进行测试。对于30维函数优化,PSAGSO算法的测试数据优于He等(HE S,WU Q H,SAUNDERS J R.Group search optimizer:an optimization algorithm inspired by animal searching behavior.IEEE Transactions on Evolutionary Computation,2009,13(5):973-990)提供的数据;对于300维函数优化问题,PSAGSO算法的性能更佳。实验结果表明,PSAGSO克服了群搜索优化算法的不足,在一定程度上提高了算法的收敛速度和收敛精度。